Práctica 06: Perceptron de una capa

• Palma Mejía Luis Adrián
• Fabián Carrasco Yahadad
• Flores Vázquez Elvin
• Tenorio Camacho Javier

Objetivos

• Implementar la regla de aprendizaje perceptrón par entradas en
• Implementar visulización en y

Introducción

Problemas

Problema 1

• La función recibe de argumentos el conjunto de entradas P de dimensión R, y los objetivos correspondientes t de dimención n.
• La función recibe el numero de epocas de entrenamiento
• La función recibe como parametro opcional una tolerancia (numero real positivo, que se piensa pequeño) como un criterio de paro adicional.
• La función regresa los pesos y la desviación resultante, con un mensaje de exito o fracaso, indicando bajo que circunstancias se reportan los resultados.

donde la resta es entre los parametros estimados en la epoca i e , con la norma usual (aunque algunos algortimos utilizan la norma infinito, puedes implementar esta en lugar de la norma 2, si así lo deseas). Se despliega un menaje para indicar que esto ocurrio

Problema 2

Elabore una función para clasificar vectores en con las siguientes características

• La función recibe el numero de clases, las entradas y objetivos correspondientes
• El entrenamiento se lleva acabo mediante la regla de perceptrón (la suposición es que el problema es linealmente separable, por lo que el algoritmo tendrá que terminar de entrenarse), aquí puedes utilizar la función del problema 1, si asi lo deseas.
• La función despliega una gráfica donde se muestren elementos gráficos para indicar los vectores asociados a cada clase, los hiperplanos correspondientes de separación. los vectores ortogonales a cada plano y etiquetas de descripción (ejemplos clase)
• La función imprime los parametrós calculados, el número de epocas de entreanmiento con lo qeu esto se logro y las ecuaciones de los hiperplanos separadores.
• La función imprime en una misma figura el movimiento de los pesos en cada iteración de forma independiente. Por ejemplo, si se tienen 2 neuronas la figura tendrá que mostrar 4 graficas (la sucesión de cada peso, esto ilustra la convergencia). Para el bias se tendrá que contruir una segunda figura que muestre las sucesión de las desviaciones, en el ejemplo de dos neuronas, la figura tendría que tener la gráfica de dos sucesiones.

p1 = [40;60];

t1 = [0;0;0;0];

p2 = [40;65];

t2 = t1;

p3 = [20;-40];

t3 = [1;0;0;0];

p4 = [25;-40];

t4 = t3;

p5 = [5;80];

t5 = [0;1;0;0];

p6 = [-5;65];

t6 = t5;

p7 = [-40;-30];

t7 = [1;1;0;0];

p8 = [-40;-20];

t8 = t7;

p9 = [-20;-60];

t9 = [0;0;1;0];

p10 = [-20;-75];

t10 = t9;

p11 = [-75;20];

t11 = [1;0;1;0];

p12 = [-85;20];

t12 = t11;

p13 = [60;30];

t13 = [0;1;1;0];

p14 = [70;30];

t14 = t13;

p15 = [-60;60];

t15 = [1;1;1;0];

p16 = [-60;75];

t16 = t15;

W0 = [0 0];

b0 = 0;

t = [t1,t2,t3,t4,t5,t6,t7,t8,t9,t10,t11,t12,t13,t14,t15,t16];

p = [p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12,p13,p14,p15,p16];

problema2(p,t,100);

Existen 8 clases, por lo que se necesitan 4 neuronas Se alcanzo el numero de epocas La clasificacion no es correcta No se cumple la tolerancia de 1 neuronas 4

Problema 3

Resuelva el problema 2 para clasificar vectores en .

nnd3pc

Problema 4

Clasificación, dos clases en

close all, clear all, clc, format compact

% numero de puntos para cada clase

N = 20;

% definición aritficial de entradas y salidas

offset = 5; % separación para las clases

x = [randn(2,N) randn(2,N)+offset]; % entradas

y = [zeros(1,N) ones(1,N)]; % salidas

% Gráfica de entradas con PLOTPV (gráfica vectores para perceptron entradas/salidas)

figure

plotpv(x,y)

hold on

plotpc(net_trained.IW{1},net_trained.b{1}); % función para impeme

Clasificación, cuatro clases en

close all, clear all, clc, format compact

% numero de muestras en cada clase

K = 30;

% definición de las clases

q = .6; % separación de la clases

A = [rand(1,K)-q; rand(1,K)+q];

B = [rand(1,K)+q; rand(1,K)+q];

C = [rand(1,K)+q; rand(1,K)-q];

D = [rand(1,K)-q; rand(1,K)-q];

figure(1); % no queremos repetir este codigo

figure(2); % creamso dos figura para copiar en contenido

figure(1) % activamos la figura 1

% graficamos clases

plot(A(1,:),A(2,:),'bs');

hold on

grid on

plot(B(1,:),B(2,:),'r+')

plot(C(1,:),C(2,:),'go')

plot(D(1,:),D(2,:),'m*')

% texto de las clases

text(.5-q,.5+2*q,'Clase A')

text(.5+q,.5+2*q,'Clase B')

text(.5+q,.5-2*q,'Clase C')

text(.5-q,.5-2*q,'Clase D')

% se definenen las salidas para las clases

a = [0 1]';

b = [1 1]';

c = [1 0]';

d = [0 0]';

% % ¿por qué estas salidas no funcionan?

% a = [0 0]';

% b = [1 1]';

% d = [0 1]';

% c = [1 0]';

% % ¿por qué estas salidas no funcionan?

% a = [0 1]';

% b = [1 1]';

% d = [1 0]';

% c = [0 1]';

CloneFig(1,2) % copiamos la figura 1 a la figura 2

figure(1) % activamos la figura 1

plotpc(net_trained.IW{1},net_trained.b{1});

net = perceptron;

E = 1;

figure(2) % activamoos la figira dos que tiene solo la gráfica de los datos

net.adaptParam.passes = 1; % epocas de adaptación

ax2 = plotpc(net.IW{1},net.b{1});

n = 0;

while (sse(E) & n<1000)

n = n+1;

[net,Y,E] = adapt(net,P,T); % regresla la red entrenada, el valor de las salidas, los errores

ax2 = plotpc(net.IW{1},net.b{1},ax2);

drawnow; % efecto de simulación

end

view(net)

Referencias

Funciones utilizadas